RoBus: A Multimodal Dataset for Controllable Road Networks and Building Layouts Generation

自动化三维城市生成技术，主要集中在道路网络和建筑布局方面，目前在城市设计、多媒体游戏和自动驾驶模拟等领域有着很高的需求。生成式人工智能的兴起，使得基于深度学习模型设计城市布局成为可能。然而，缺乏高质量的数据集和基准测试，阻碍了这些数据驱动方法在生成道路网络和建筑布局方面的进展。此外，很少有研究考虑到城市特征，这些特征通常以图形作为分析对象，对于实际应用非常重要，以控制生成过程。为了缓解这些问题，我们引入了一个多模态数据集和相应的评估指标，用于可控的道路网络和建筑布局生成（RoBus），这是迄今为止第一个也是最大的开源城市生成数据集。RoBus数据集以图像、图形和文本格式呈现，包含72,400对样本，覆盖全球约80,000平方公里。我们对RoBus数据集进行了统计分析，并验证了其对现有道路网络和建筑布局生成方法的有效性。此外，我们还设计了新的基线模型，将城市特征（如道路方向和建筑密度）纳入到使用RoBus数据集生成道路网络和建筑布局的过程中，增强了自动化城市设计的实用性。RoBus数据集和相关代码已经发布在https://github.com/tourlics/RoBus_Dataset。

论文旨在解决自动生成城市道路网络和建筑布局的问题，但是缺乏高质量的数据集和基准测试，并且很少考虑城市特征对生成过程的影响。

论文介绍了一个名为RoBus的多模态数据集，包含了72400个样本，覆盖全球约80000平方公里的道路网络和建筑布局数据，并提出了一些新的基线模型，考虑了城市特征的影响。

RoBus数据集是目前城市生成领域中第一个也是最大的开源数据集，论文还提供了相应的评估指标和代码。研究者们对RoBus数据集进行了统计分析，并验证了它对现有道路网络和建筑布局生成方法的有效性。此外，基于RoBus数据集，研究者们设计了新的基线模型，考虑了城市特征对生成过程的影响，提高了自动化城市设计的实用性。

在这个领域中，最近的相关研究包括：《CityGAN: Learning to Generate Cities from Sketches》、《Procedural Generation of Parcels in Urban Modeling》、《A Review of Procedural Modelling of Buildings》等。